ADVANCED OUTLET ANALYTICS

Come sfruttare i dati digitali per massimizzare il successo del
retail offline.

Advanced Outlet Analytics
  • Nuovi Clienti


    Individuazione di nuovi clienti in ambito B2B: +45%

  • Consegna


    Consegne ai
    punti vendita: -65%

  • Risultati


    Risultati per
    punto vendita: +20%

  • Stock


    Significativa riduzione del
    rischio di “fuori stock”

  • Personale


    Gestione più efficiente della
    forza vendita

Il negozio tradizionale non è affatto morto, come spesso si dice. Con 2,7 nuove aperture per ogni esercizio che chiude, l’attuale situazione del commercio analogico, ad esempio negli Stati Uniti, non appare poi così negativa malgrado la crescente concorrenza dell’e-commerce. Tuttavia, soprattutto se parliamo di utilizzo e analisi dei dati rilevanti, la vendita tradizionale arranca rispetto al settore delle vendite online. Mentre le aziende di e-commerce analizzano il comportamento degli utenti grazie a informazioni dettagliate ricavate da Web analytics, CRM e ricerche su Google sviluppando proposte personalizzate, per buona parte dei commercianti e dei marchi convenzionali l’utilizzo di tali strumenti è ancora fantascienza.

Usare i dati digitali per il mondo analogico

Quando i retailer o i brand del mondo analogico vogliono sapere quale località sia più adatta per aprire un nuovo punto vendita, come vada ottimizzato l’assortimento o cosa fare per pianificare al meglio le limitate risorse a disposizione, molti di loro si affidano tuttora unicamente a dati strutturati statici o alle implicite conoscenze dei propri collaboratori. Nonostante i geodati digitali siano oggi ampiamente diffusi e disponibili, spesso nel commercio offline la definizione degli indirizzi strategici è ancora un volo alla cieca.

Affinché anche la vendita fissa possa salire sul treno delle decisioni data driven, TD Reply ha sviluppato un approccio scalabile in grado di prevedere le vendite per i più diversi tipi di esercizi commerciali, segmentare i negozi sulla base del loro potenziale di smercio e del loro target group fit e ottimizzare le azioni di marketing per ogni singolo esercizio: tutto questo attingendo a una grande varietà di dati digitali. Questo approccio, che TD Reply chiama “Advanced Outlet Analytics”, è applicabile ai settori più disparati (ne sono alcuni esempi i prodotti alimentari e le bevande, i capi di moda e le automobili).

La base dati digitale

Per un venditore B2B, la sfida è individuare i canali attraverso cui vendere il maggior numero di prodotti. Da parte sua, un commerciante B2C ha un problema analogo: quali categorie e prodotti offrono le maggiori potenzialità in un punto vendita e in quali quantità occorre immagazzinare le scorte? Le cifre cui fare riferimento per rispondere a queste domande sono innanzitutto i dati di prima mano, ad esempio di sell-in e sell-out, in possesso dell’impresa (Owned Data). Invece, un marchio che non ha alcun controllo su questi dati commerciali o che, se li ha, non può contare su una qualità soddisfacente delle informazioni, può sempre decidere di acquistarli da fornitori esterni (cosiddetti Paid Data).


Tuttavia, anche quando sono disponibili informazioni sulle vendite di prodotti– o perché si attinge ai dati di cassa esistenti o perché le si reperisce all’esterno –, sono poche le aziende in grado di indicare i fattori di successo extra-aziendali e le leve su cui agire per massimizzare i risultati. Molte risposte a queste domande si trovano già su Internet e gli esercenti offline ne sono spesso all’oscuro.

Servizi come Google Maps, Facebook e Flickr contengono grandi quantità di dati geospecifici dall’elevato valore informativo. In particolare, la vendita tradizionale può mettersi nei panni dei consumatori finali per identificare le informazioni più appropriate al proprio settore. Gli utenti consultano la rete per conoscere orari di apertura (Google), giudizi di altri utenti (Google, TripAdvisor, Foursquare), offerte di particolari negozi (Yelp), indicazioni stradali (Google Maps) o eventi d’interesse (Facebook). Tale comportamento genera una serie di dati geospecifici che possono essere usati, così come sono, per un singolo negozio o opportunamente scalati, per l’intero mercato. In questo modo, basandosi unicamente sui dati di servizi geografici come Google Places o Open Street Map, è possibile ottenere informazioni dettagliate sui dintorni di un punto vendita, ad esempio sulla densità di esercizi commerciali, sulla presenza in zona di luoghi come sale concerti o scuole, oppure sulla vicinanza a stazioni ferroviarie o della metropolitana. L’integrazione di tutti questi dati con le cifre già in possesso delle imprese rappresenta un anello di congiunzione fondamentale, finora mancante, e che permette di eseguire stime dettagliate per ogni punto vendita sui gruppi target di consumatori, sul potenziale di vendita e sulle migliori azioni di marketing da adottare.

Prevedere le vendite

Minimizzare il “fuori stock”

Un’applicazione intelligente dei dati online è la possibilità di migliorare le previsioni di vendita, che nel settore dei prodotti alimentari e delle bevande, ad esempio, può raggiungere una precisione pari al 90% e oltre. Oltre ai dati di sell-out per negozio, nello stilare tali stime si tiene conto tra l’altro dei dati di Facebook su eventi locali, dei dati di Google sui termini più ricercati in una data area geografica, nonché dei dati meteo in tempo reale. Sulla base di queste previsioni, più accurate perché fondate su riscontri oggettivi, è possibile ridurre anche del 60% il numero dei viaggi per le consegne e, contemporaneamente, minimizzare il rischio di “fuori stock”. Inoltre, è più facile pianificare al meglio gli interventi del servizio esterno e contribuire così a una maggiore efficienza dei costi.

Segmentazione del mercato

Usare i dati digitali come base

Un ulteriore approccio all’impiego di dati online esterni è la segmentazione data driven dei punti vendita, utile sia agli esercenti sia ai marchi, laddove occorra ottimizzare l’assortimento e il marketing. In base alle informazioni concernenti ristoranti, bar e alberghi nei dintorni (ad esempio tramite TripAdvisor), il grado potenziale di affluenza di un posto (ad esempio mediante dati di Google Places) o l’attrattività turistica di una zona (in base ad esempio al numero di foto caricate sui social media), è possibile fare previsioni sul volume d’affari presunto e sul target group fit per stabilire un ordine di priorità per i negozi e assegnarli a particolari marchi e prodotti. In seguito, collegando questa segmentazione alle informazioni sulle azioni di marketing e ai dati sulle vendite, si potrà stabilire a quali località dare priorità nel mettere in campo iniziative come promozioni sul punto vendita, sconti o modifiche all’assortimento.

Nuove tecnologie

Dai Big Data agli Smart Data

Il ricorso alle tecnologie più recenti, come l’apprendimento automatico e l’intelligenza artificiale, gioca un ruolo fondamentale nel rendere tutti questi approcci scalabili e nella loro costante ottimizzazione. Per questo, è essenziale che i modelli sviluppati possano essere aggiornati dinamicamente e sappiano rispondere a variazioni dei dati e dei fattori ambientali.

Dati e realtà

Le nuove tecnologie non sono un rimedio universale alle sfide che le imprese devono affrontare. I nuovi dati e sistemi offrono reali vantaggi solo se utilizzati per problemi concreti e se messi in correlazione con l’implicita conoscenza del settore cui si accennava pocanzi. La periodica verifica sul campo dei risultati ottenuti e la successiva ottimizzazione dei modelli generati rivestono infatti grande importanza. Quello dell’ "Advanced Outlet Analytics” non è un approccio meramente statico, sviluppato a tavolino, ma richiede un constante confronto con la realtà del mercato e con il know-how dei responsabili alle vendite e di negozio. Data science e apprendimento automatico sono concetti oggi molto importanti, ma possono essere massimizzati solo mediante un interscambio con la base imprenditoriale.